Referências bibliográficas

O Mape obtido com os dados do teste da rede foi de 0,09%, e a Figura

4.5 contém os dados originais e os valores resultantes do teste da rede neural em questão. Neste exemplo a rede neural classificou corretamente os padrões apresentados, confirmando um bom aprendizado com os parâmetros escolhidos para a MLP utilizada. O tratamento inicial da série

temporal retirando-se tendências e sazonalidades, também constitui um

fator determinante para os bons resultados obtidos.

image

FIGURA 4.5 Teste da capacidade de estimação da rede.

Referências bibliográficas

1. BRAGA AP, CARVALHO APLF, LUDERMIR TB. Redes Neurais

Artificiais: teoria e aplicações. Rio de Janeiro: Livros Técnicos e Científicos; 2000.

2. CAUDILL M. Expert Network. Byte, out 1991:108–116. 3. GUIRELLI CR, JARDINI JA, MAGRINI LC, YASUOKA J,

CAMPOS AC, BASTOS MR. In: Tool for short-term load forecasting in transmission systems based on artificial intelligence techniques. Latin America IEEE/PES’04. São Paulo: In: Transmission and Distribution Conference and Exposition; 2004:243–248.

4. HAYKIN S. Redes neurais: princípios e prática. 2a ed. Porto Alegre:

Artmed Editora S.A; 2007.

5. PALADE V, BOCANIALA CD, JAIN LC. Computational

intelligence in fault diagnosis. Nova York: Springer; 1995.

6. ROJAS HP. In: Soft-computing techniques for time series forecasting

Bruges: 12th European Symposium On Artificial Neural Networks

(ESANN); 2004:93–102.

7. STOCK JH, WATSON MW. Econometria. Addison-Wesley 2004.

OceanofPDF.com